具有時空相關性類神經網路分類之研究─以崩塌地潛勢分析為例

Neural Networks for Spatial and Temporal Data Classification ─ A Case Study for Landslide Susceptibility Analysis

張世光(Shih-Kuang Chang)

指導教授 ： 徐百輝

國立臺灣大學/工學院/土木工程學研究所/碩士(2016年)

https://doi.org/10.6342/NTU201603263

摘要

台灣夏季颱風數量多且造成災害甚巨，加上台灣地形高山林立河流短急，地形起伏較大，若颱風風速與雨量過大，超過地表所能負荷時，即容易發生山崩、土石流等坡地災害，這些災害往往造成人民生命財產的重大損失。若能利用有效的分析工具，在災害發生前有效預測崩塌地可能發生的潛勢區，提早做出災害的預警及準備，將可大幅降低災害所造成的損失。影響崩塌災害發生的因子非常多且複雜，如颱風事件的降雨多寡、風速強弱、地形地貌、土壤土質、原先土壤含水量、與河川的距離及人文開發程度等，每個因子都會交互影響，甚至具有時間及空間上的相關性，且這些因子亦可能因為颱風事件所發生的時間和地點不同，而有不同的影響程度。與各種影響因子相關的空間資料不僅種類眾多且數量龐大，且與事件發生的時間有關，故建立一套可以從這些相關大量的時空資料中找尋出崩塌潛勢的分類預測模型，並且依照台灣各河川流域的環境差異，建立具有不同時間與空間相關性的崩塌潛勢分析模型為本研究的主題的目標。
本研究以民國94年至民國103年颱風崩塌災害進行分析，並且利用地形小面解決過往受限歷史崩塌紀錄而無法完整預測崩塌位置的問題，同時解決資料量過大造成效率降低和崩塌地與非崩塌地資料量分布不均而資料不平衡造成生產者精度較低的問題。為了改良過往崩塌潛勢研究未考量時間相關性或僅考慮其多時期資料特性而忽略隱含時間延遲屬性資料的問題，本研究改用雙層Elman時間延遲類神經網路，將多時期資料內的時間延遲因子也同時考慮進分類預測模型當中。此外將具有空間相關性的空間屬性資料加入神經網路的訓練資料中，以表達其資料與資料之間的相關性，並探討加入距離與角度等不同空間相關性對颱風崩塌災害潛勢分析的影響。對於訓練完成之颱風災害潛勢分析模型進行敏感度測試，檢驗影響崩塌災害的重要因子。最後依照崩塌災害潛勢分析預測結果繪製崩塌潛勢圖，並且與地真資料進行比較以驗證其正確性。利用具有時空相關性的類神經網路並輔以地形小面進行崩塌潛勢分析可以在總體精度上提升約5%，生產者精度提升約7%，在崩塌潛勢圖中崩塌地在高度潛勢區所佔比例約73%，在中度潛勢區所佔比例約23%，可以有效在災害發生時預警約96%的崩塌地，可以有效提升其崩塌潛勢分析精度及災害預警之功能，讓災害來臨前可以透過各項屬性資料與氣象預報，有效預警颱風崩塌的潛勢區，使人民生命財產安全得以保障。

關鍵字

時間相關性 ； 空間相關性 ； 類神經網路 ； 崩塌潛勢分析 ； 地形小面

並列摘要

The amount of data and factor of typhoon hazard is big. There are many high mountains and short rivers in Taiwan, so it is easy to landslide and collapse when typhoons occur. A prediction model for finding the landslide susceptibility area can reduce the loss of collapse event. Factors causing collapse (ex: rainfall, wind speed, terrain, and geology etc.) have their own spatial and temporal correlation and they are different by each typhoon hazard and region. Therefore, the subject of the research is to establish different landslide susceptibility analysis model with spatial and temporal data in a different basin.
In this research, using geographic facet analyzing the landslide data in 2005~2014 solves the problem of integrity in past data and the imbalanced landslide data. Using time delay factor in multiple times data as training data of double layer Elman network and spatial attribute shows the spatial and temporal correlation in data. Find the key factor and draw landslide susceptibility map by the classification model. The result of classification is 96% of the real landslide data is in the high and mid susceptibility region. Neural network for spatial and temporal data classification with geographic facet can increase the accuracy and effective in hazard warning.

並列關鍵字

Spatial Correlation ； Temporal Correlation ； Neural Network ； Landslide Susceptibility Analysis ； Geographic Facet

參考文獻

陳建新、陳嬑璇、譚志豪、冀樹勇、蘇泰維，2013。台灣西部地區降雨促崩潛勢特性分析，中華水土保持學報，44卷，2期，pp. 179~189。

陳怡睿、謝舜傑、陳景文、倪伯寧，2010。基因演算法自動演化類神經網路應用於山崩災害之評估，中華水土保持學報，41卷，1期，pp. 61~72。

洪雨柔，2013。降雨對山崩潛勢分析之影響─以南橫公路50至110k沿線為例，碩士論文，國立中興大學水土保持學系碩士論文，pp. 137。

卓怡岑，2013。應用空間資料探勘技術於崩塌災害預警之研究─以高屏溪為例，碩士論文，國立台灣大學土木工程研究所碩士論文，pp. 101。

王宣惠、蔡光榮、陳昆廷、謝正倫，2009。花蓮地區九岸溪集水區崩塌地變遷之衛星影像分析研究，中國鑛冶工程學會會刊，pp 102~108。